Roboflow Conjuntos de dados
Pode agora utilizar Roboflow para organizar, rotular, preparar, versionar e alojar os seus conjuntos de dados para treinar modelos YOLOv5 🚀. Roboflow é gratuito para utilizar com YOLOv5 se tornar o seu espaço de trabalho público.
Licenciamento
Ultralytics oferece duas opções de licenciamento:
- A licençaAGPL-3.0 , uma licença de código aberto aprovada pela OSI, ideal para estudantes e entusiastas.
- A Licença Empresarial para empresas que pretendem incorporar os nossos modelos de IA nos seus produtos e serviços.
Para mais informações, consulte Ultralytics Licenciamento.
Carregar
Pode carregar os seus dados para Roboflow através da IU da Web, da API REST ou Python.
Etiquetagem
Depois de carregar os dados para Roboflow, pode etiquetar os seus dados e rever as etiquetas anteriores.
Controlo de versões
Pode criar versões do seu conjunto de dados com diferentes opções de pré-processamento e de aumento offline. YOLOv5 faz aumentos online de forma nativa, por isso seja intencional quando colocar os aumentos offline de Roboflow por cima.
Exportação de dados
Pode descarregar os seus dados no formato YOLOv5 para iniciar rapidamente a formação.
from roboflow import Roboflow
rf = Roboflow(api_key="YOUR API KEY HERE")
project = rf.workspace().project("YOUR PROJECT")
dataset = project.version("YOUR VERSION").download("yolov5")
Formação personalizada
Lançámos um tutorial de formação personalizado que demonstra todas as capacidades acima referidas. Pode aceder ao código aqui:
Aprendizagem ativa
O mundo real é confuso e o seu modelo irá invariavelmente encontrar situações que o seu conjunto de dados não previu. A utilização da aprendizagem ativa é uma estratégia importante para melhorar iterativamente o conjunto de dados e o modelo. Com a integração de Roboflow e YOLOv5 , pode melhorar rapidamente as implementações do seu modelo, utilizando um pipeline de aprendizagem automática testado em combate.
Ambientes suportados
Ultralytics fornece uma gama de ambientes prontos a utilizar, cada um pré-instalado com dependências essenciais, tais como CUDA, CUDNN, Python, e PyTorchpara dar início aos seus projectos.
- Grátis GPU Notebooks:
- Google Nuvem: Guia de início rápido do GCP
- Amazon: Guia de início rápido do AWS
- Azure: Guia de início rápido do AzureML
- Docker: Guia de início rápido do Docker
Estado do projeto
Este emblema indica que todos os testes de Integração Contínua (CI) do YOLOv5 GitHub Actions foram aprovados com êxito. Esses testes de CI verificam rigorosamente a funcionalidade e o desempenho do YOLOv5 em vários aspectos principais: treinamento, validação, inferência, exportação e benchmarks. Eles garantem uma operação consistente e confiável no macOS, Windows e Ubuntu, com testes realizados a cada 24 horas e a cada novo commit.
FAQ
Como é que carrego dados para Roboflow para treinar modelos YOLOv5 ?
Pode carregar os seus dados para Roboflow utilizando três métodos diferentes: através do sítio Web, da API REST ou de Python. Estas opções oferecem flexibilidade, dependendo da sua preferência técnica ou dos requisitos do projeto. Uma vez carregados os dados, pode organizá-los, rotulá-los e atribuir-lhes uma versão para os preparar para a formação com os modelos Ultralytics YOLOv5 . Para obter mais detalhes, visite a secção Upload da documentação.
Quais são as vantagens de utilizar Roboflow para rotulagem e controlo de versões de dados?
Roboflow fornece uma plataforma abrangente para a organização, rotulagem e controlo de versões de dados, o que é essencial para fluxos de trabalho de aprendizagem automática eficientes. Ao utilizar Roboflow com YOLOv5, pode simplificar o processo de preparação do conjunto de dados, assegurando que os seus dados são anotados com precisão e versionados de forma consistente. A plataforma também suporta várias opções de pré-processamento e de aumento offline para melhorar a qualidade do seu conjunto de dados. Para uma análise mais aprofundada destas funcionalidades, consulte as secções Etiquetagem e Controlo de versões da documentação.
Como é que posso exportar o meu conjunto de dados de Roboflow para o formato YOLOv5 ?
Exportar o seu conjunto de dados de Roboflow para o formato YOLOv5 é simples. Pode utilizar o trecho de código Python fornecido na documentação:
from roboflow import Roboflow
rf = Roboflow(api_key="YOUR API KEY HERE")
project = rf.workspace().project("YOUR PROJECT")
dataset = project.version("YOUR VERSION").download("yolov5")
Este código descarregará o seu conjunto de dados num formato compatível com YOLOv5, permitindo-lhe começar rapidamente a treinar o seu modelo. Para obter mais detalhes, consulte a secção Exportar dados.
O que é a aprendizagem ativa e como funciona com YOLOv5 e Roboflow?
A aprendizagem ativa é uma estratégia de aprendizagem automática que melhora iterativamente um modelo, selecionando de forma inteligente os pontos de dados mais informativos para rotular. Com a integração de Roboflow e YOLOv5 , pode implementar a aprendizagem ativa para melhorar continuamente o desempenho do seu modelo. Isto envolve a implementação de um modelo, a captura de novos dados, a utilização do modelo para fazer previsões e, em seguida, a verificação ou correção manual dessas previsões para continuar a treinar o modelo. Para obter mais informações sobre a aprendizagem ativa, consulte a secção Aprendizagem ativa acima.
Como posso utilizar os ambientes Ultralytics para treinar modelos YOLOv5 em diferentes plataformas?
Ultralytics fornece ambientes prontos a usar com dependências pré-instaladas como CUDA, CUDNN, Python, e PyTorchfacilitando o arranque dos seus projectos de formação. Estes ambientes estão disponíveis em várias plataformas, como Google Cloud, AWS, Azure e Docker. Também pode aceder gratuitamente aos notebooks GPU através de Paperspace, Google Colab e Kaggle. Para obter instruções de configuração específicas, visite a secção Ambientes suportados da documentação.
